智能体持久性记忆实战：从0到1构建双路记忆堆栈

本文介绍如何为智能体构建持久性记忆系统，通过双路记忆堆栈（情节记忆+语义记忆）解决智能体健忘问题。情节记忆使用向量数据库存储对话历史，语义记忆使用图数据库存储结构化事实。文章详细展示了实现方法、代码构建及实际应用，使智能体能够记住用户信息并提供个性化交互，从"工具"向"伴侣"转变。

在前面的系列文章中，我们已经为智能体装上了“大脑”（Planning）、“双手”（Tool Call）甚至是“质检员”（PEV）。然而，即便这些功能再强大，标准智能体仍然面临一个致命的局限：健忘。

目前的对话智能体大多是“短时记忆”的产物，它们的记忆仅存在于当前会话。一旦对话重置，它们便会忘记你的名字、偏好以及你们曾共同探讨的深刻见解。

今天，我们将攻克智能体走向进化的关键一环——持久性记忆（Persistent Memory）。我们将模仿人类的认知架构，实现一个双路记忆堆栈：情节记忆（Episodic Memory）+ 语义记忆（Semantic Memory）。

一、情节与语义：模仿人类的记忆分层

人类的记忆并非一团乱麻，而是有序分层的。在认知心理学中，长期记忆主要分为两类：

情节记忆（Episodic Memory）：

定义：对特定事件或过去交互的记忆。
回答：“发生了什么？”（例如：“上周用户问过关于英伟达股价的问题”）。
实现方式：我们使用向量数据库（Vector DB），通过语义相似度检索相关的历史对话片段。

语义记忆（Semantic Memory）：

定义：从事件中提炼出的结构化事实、概念和关系。
回答：“我知道什么？”（例如：“用户 Alex 是一位保守型投资者”、“Alex 对科技股感兴趣”）。
实现方式：我们使用图数据库（Neo4j），因为它擅长管理和查询实体间的复杂关系。

▲Agent记忆系统核心功能示例

通过这两者的结合，Agent 不仅能回想起过去的对话“剧情”，还能在脑海中构建一张关于用户的“知识图谱”，从而实现深度定制的个性化交互。

二、记忆增强智能体的工作流

整个记忆堆栈遵循“交互-检索-生成-编码”的闭环：

交互（Interaction）：接收用户输入。
检索（Recall）：

在情节向量库中搜索相似的对话历史。
在语义图数据库中查询与当前话题相关的实体事实。

增强生成（Augmented Generation）：将检索到的双路记忆注入提示词，生成具备“历史记忆”的响应。
编码（Encoding）：对话结束后，后台进程启动：

总结对话回合（生成新的情节记忆）。
提取实体关系（生成新的语义事实）。

存储（Storage）：将新记忆持久化到向量库和图数据库。

三、代码实战：构建双路记忆堆栈

3.1 环境准备

我们将使用 openai的推理服务，以及****Neo4j作为图数据库核心。需要在env文件中写入llm推理模型配置和embedding模型配置

# 安装必要库 !pip install -q -U langchain-openai langchain langgraph neo4j faiss-cpu tiktoken import os, uuid, json from typing import List, Dict, Any, Optional from langchain_openai import ChatOpenAI from langchain_community.graphs import Neo4jGraph from langchain_community.vectorstores import FAISS from langchain.docstore.document import Document from langgraph.graph import StateGraph, END # 初始化 LLM 与 嵌入模型 llm = ChatOpenAI( base_url=os.environ.get("base_url"), api_key=os.environ.get("api_key"), model=os.environ.get("model"), temperature=0, ) embeddings = llm = ChatOpenAI( base_url=os.environ.get("base_url"), api_key=os.environ.get("api_key"), model=os.environ.get("embedding_model"), ) # 初始化情节记忆（向量库） episodic_vector_store = FAISS.from_texts(["初始引导文档"], embeddings) # 初始化语义记忆（图数据库） graph = Neo4jGraph( url=os.environ.get("NEO4J_URI"), username=os.environ.get("NEO4J_USERNAME"), password=os.environ.get("NEO4J_PASSWORD") )

3.2 记忆制造者：Memory Maker

这是系统的核心，负责将对话“消化”并转化为记忆。

from pydantic import BaseModel, Field class Node(BaseModel): id: str = Field(description="节点唯一标识，如人名、公司代码或概念") type: str = Field(description="节点类型，如 'User', 'Company', 'InvestmentPhilosophy'") properties: Dict[str, Any] = Field(default_factory=dict) class Relationship(BaseModel): source: Node; target: Node type: str = Field(description="关系类型，如 'IS_A', 'INTERESTED_IN'") class KnowledgeGraph(BaseModel): relationships: List[Relationship] def create_memories(user_input: str, assistant_output: str): conversation = f"User: {user_input}\nAssistant: {assistant_output}" # 1. 提取情节记忆（总结） summary_prompt = f"请为以下对话生成一句简明扼要的摘要：\n{conversation}" episodic_summary = llm.invoke(summary_prompt).content episodic_vector_store.add_documents([Document(page_content=episodic_summary)]) # 2. 提取语义记忆（图谱提取） extractor_llm = llm.with_structured_output(KnowledgeGraph) extraction_prompt = f"从以下对话中提取关键实体及其关系，侧重用户偏好和事实：\n{conversation}" kg_data = extractor_llm.invoke(extraction_prompt) if kg_data.relationships: for rel in kg_data.relationships: # 将提取出的关系写入 Neo4j graph.add_graph_documents([rel], include_source=True)

3.3 记忆增强型 Agent 的逻辑

通过 LangGraph 构建一个包含“检索-生成-更新”的循环流程。

class AgentState(TypedDict): user_input: str retrieved_memories: Optional[str] generation: str def retrieve_memory(state: AgentState): user_input = state['user_input'] # 检索情节记忆 docs = episodic_vector_store.similarity_search(user_input, k=2) episodic = "\n".join([d.page_content for d in docs]) # 检索语义记忆（Cypher 查询） semantic = str(graph.query(""" UNWIND $keywords AS keyword CALL db.index.fulltext.queryNodes("entity", keyword) YIELD node, score MATCH (node)-[r]-(related) RETURN node.id, type(r), related.id LIMIT 5 """, {'keywords': user_input.split()})) return {"retrieved_memories": f"【情节回顾】:\n{episodic}\n\n【已知事实】:\n{semantic}"} def generate_response(state: AgentState): prompt = f"""你是一个个性化金融助手。利用以下记忆来定制你的回复： {state['retrieved_memories']} 用户问题：{state['user_input']}""" response = llm.invoke(prompt).content return {"generation": response} # 构建 Graph 略（见系列前文）

四、深度演示：Agent 如何“认识”你？

让我们模拟一个三轮对话，看看 Agent 记忆的成长。

第一轮：播种

用户：你好，我是 Alex，我是一个保守型投资者，主要对老牌科技股感兴趣。
Agent 响应：你好 Alex！专注于基本面稳健的老牌科技公司是很明智的。
后端变化：

情节记忆：存入“用户 Alex 介绍自己是保守型投资者，关注老牌科技股”。
语义图谱：创建节点(User: Alex)->[:HAS_GOAL]->(Philosophy: Conservative)。

第二轮：深入

用户：你觉得苹果（AAPL）怎么样？
Agent 响应：对于保守型投资者，AAPL 是基石。它有巨额现金流和持续的分红…
后端变化：

语义图谱：增加关系(User: Alex)->[:INTERESTED_IN]->(Company: AAPL)。

第三轮：记忆测试

用户：“基于我的目标，除了那支股票，还有什么好的替代方案？”
Agent 响应：“当然，Alex。基于你偏好的保守投资风格（语义记忆检索），既然你已经关注了苹果，微软（MSFT）是一个绝佳选择（逻辑推理）。它同样是科技巨头，但业务更多元化…”

注意：在第三轮中，用户没有提到自己的名字、风格和苹果公司，但 Agent 完美通过了“记忆测试”。

五、总结与展望

在本文中，我们成功构建了一个具备情节+语义双路记忆的智能体。

无状态的失败：标准 Agent 会在第三轮对话中抓瞎，因为它不记得 Alex 也不记得 Apple。
记忆增强的成功：我们的 Agent 能够“检索发生了什么”（情节）并“提取已知事实”（语义），从而生成深度的个性化推荐。

这种结合是智能体从“工具”转变为“伴侣”的关键。虽然在规模化管理中还面临**记忆膨胀（Memory Bloat）和修剪（Pruning）**的挑战，但我们今天搭建的底层架构已经为未来的持续学习奠定了坚实基础。